A New Strategy of Artificial Intelligence-Based CARS Model Applied to Comparative Analysis of Medical Paper Abstracts in Chinese and English
Notice bibliographique
Résumé
Artificial Intelligence (AI) is increasingly used in medical research, especially in the analysis and interpretation of medical data.In this study, based on the traditional CARS model, we built a framework for thesis abstract language step research by categorizing fuzzy steps into optional steps and adding appropriate key steps to the language steps.With the help of artificial intelligence technology, an extraction model of key elements of abstracts incorporating the attention mechanism is constructed, aiming at screening the elemental utterances in abstracts.Finally, by collecting data from medical related papers in CNKI, Web of Science and other databases, the CARS modeling strategy based on artificial intelligence is implemented in the comparative analysis of medical paper abstracts in English and Chinese.Through the comparative analysis, it is found that the number of sentences in English abstracts is concentrated in 6-7 sentences, while the number of sentences in Chinese abstracts is scattered in 2-8 sentences.The percentage of the use of Chinese sentences on English abstract writing is the highest, with an average percentage of 45.24%.The frequency of the first 20 words of fuzzy restrictive phrases in English abstracts was significantly higher than that in Chinese abstracts.The organization of Chinese and English abstracts was mostly in the structure of "introductionmethod-results-discussion", which accounted for 54% and 71%, respectively.In addition, the frequency of steps indicating gaps in the research area is higher in English than Chinese abstracts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».